【正文】 。其優(yōu)于傳統(tǒng)的Fourier分析的主要之處在于：能對(duì)不同的頻率成分采用逐漸精細(xì)的采樣步長(zhǎng)，從而可以聚焦到信號(hào)的任意細(xì)節(jié)，尤其是對(duì)奇異信號(hào)很敏感，能很好的處理微弱或突變的信號(hào)，其目標(biāo)是將一個(gè)信號(hào)的信息轉(zhuǎn)化成小波系數(shù)，從而能夠方便地加以處理、存儲(chǔ)、傳遞、分析或被用于重建原始信號(hào)。5）模糊負(fù)荷預(yù)測(cè)模糊負(fù)荷預(yù)測(cè)是近幾年比較熱門(mén)的研究方向。模糊系統(tǒng)不管其是如何進(jìn)行計(jì)算的，從輸入輸出的角度講它是一個(gè)非線(xiàn)性函數(shù)。下面介紹模糊預(yù)測(cè)的一些基本方法。這個(gè)方法的基本思想是從已知輸入—輸出數(shù)據(jù)對(duì)中產(chǎn)生模糊規(guī)則，形成一個(gè)模糊規(guī)則庫(kù)，最終的模糊邏輯系統(tǒng)將從組合模糊規(guī)則庫(kù)中產(chǎn)生。②基于神經(jīng)網(wǎng)絡(luò)集成的高木關(guān)野模糊預(yù)測(cè)算法：它是利用神經(jīng)網(wǎng)絡(luò)來(lái)求得條件的輸入變量的聯(lián)合隸屬函數(shù)。神經(jīng)網(wǎng)絡(luò)均采用前向型的BP網(wǎng)絡(luò)。③改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)模型的算法：模糊神經(jīng)網(wǎng)絡(luò)即全局逼近器。對(duì)于復(fù)雜的系統(tǒng)建模，已經(jīng)有了許多方法，并已取得良好的應(yīng)用效果。此種方法的模型物理意義明顯，精度高，收斂快，屬于改進(jìn)型算法。因此，從函數(shù)逼近意義上考慮，研究模糊邏輯系統(tǒng)的非線(xiàn)性映射能力顯得非常重要。萬(wàn)能逼近定理表明一定存在這樣一個(gè)可以在任意精度逼近任意給定函數(shù)的高斯型模糊邏輯系統(tǒng)。因此，這種方法的模型有較高的精度，但是它的訓(xùn)練時(shí)間太長(zhǎng)，收斂較慢等缺點(diǎn)。下面敘述該辦法具體計(jì)算步驟：1）確定預(yù)測(cè)日類(lèi)型是工作日還是休息日。3）把上面取得的幾天負(fù)荷歸一化系數(shù)平均，得到該類(lèi)型預(yù)測(cè)日的日負(fù)荷變化系數(shù) （52）其中為該類(lèi)型日第小時(shí)負(fù)荷系數(shù)。5）計(jì)算預(yù)測(cè)日的最大負(fù)荷和最小負(fù)荷 （53） （54）其中，根據(jù)歷史負(fù)荷數(shù)據(jù)和歷史溫度記錄用最小二乘決定的系數(shù)。6）計(jì)算預(yù)測(cè)的每小時(shí)負(fù)荷 （57）其中為第小時(shí)預(yù)測(cè)負(fù)荷(=1，2，…，24)。系數(shù)的選擇原則是越靠近預(yù)測(cè)日的天其對(duì)應(yīng)值越大，根據(jù)是同類(lèi)型日相鄰越近負(fù)荷變化系數(shù)越近。而對(duì)應(yīng)區(qū)域大的地區(qū)，那么應(yīng)把該地區(qū)按負(fù)荷中心分成m個(gè)子區(qū)域，分別取其每天的最高、最低溫度。用過(guò)去歷史負(fù)荷，各子區(qū)域溫度數(shù)據(jù)，通過(guò)最小二乘方法估計(jì)參數(shù)，然后，按下式求預(yù)測(cè)日最大負(fù)荷： （510）全網(wǎng)最小負(fù)荷的考慮同上?！碑?dāng)前國(guó)際著名的神經(jīng)網(wǎng)絡(luò)專(zhuān)家，第一家神經(jīng)計(jì)算機(jī)公司的創(chuàng)始人和神經(jīng)網(wǎng)絡(luò)技術(shù)研究的領(lǐng)導(dǎo)人Hecht Nielson給神經(jīng)網(wǎng)絡(luò)的定義是:“神經(jīng)網(wǎng)絡(luò)是一個(gè)以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)，它通過(guò)對(duì)連續(xù)或斷連續(xù)的輸入作狀態(tài)響應(yīng)而進(jìn)行信息處理。二維的簡(jiǎn)單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可分為兩類(lèi):前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無(wú)向圖表示，代表性的模型包括。反饋神經(jīng)網(wǎng)絡(luò)模型有很強(qiáng)的計(jì)算能力。本文中采用前饋型網(wǎng)絡(luò)對(duì)電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測(cè)。即通過(guò)這些權(quán)值使神經(jīng)網(wǎng)絡(luò)具有了一定的記憶功能，可以對(duì)數(shù)據(jù)的規(guī)律進(jìn)行記憶(信息保存在權(quán)值中)。從已知數(shù)據(jù)確定權(quán)值是一個(gè)無(wú)約束最優(yōu)化問(wèn)題，典型的算法是BP法，對(duì)于前饋神經(jīng)網(wǎng)絡(luò)模型還有很多其他權(quán)值修正法。這里所說(shuō)的抽象是從數(shù)學(xué)角度而言，所謂模擬是對(duì)神經(jīng)元的結(jié)構(gòu)和功能而言，相當(dāng)于一個(gè)多輸入單輸出的非線(xiàn)性闡值器件。①人工神經(jīng)元網(wǎng)絡(luò)模型將前面介紹的神經(jīng)元通過(guò)一定的結(jié)構(gòu)組織起來(lái)，就可構(gòu)成人工神經(jīng)元網(wǎng)絡(luò)。分層網(wǎng)絡(luò)是將一個(gè)神經(jīng)元網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層。②神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程模仿人的學(xué)習(xí)過(guò)程，人們提出了多種神經(jīng)元網(wǎng)絡(luò)。學(xué)習(xí)是一個(gè)相對(duì)持久的變化過(guò)程，學(xué)習(xí)往往也是一個(gè)推理過(guò)程，例如通過(guò)經(jīng)驗(yàn)也可以學(xué)習(xí)，學(xué)習(xí)是神經(jīng)元網(wǎng)絡(luò)最重要的能力。學(xué)習(xí)規(guī)則有:Hebb學(xué)習(xí)規(guī)則、感知機(jī)(Perception)學(xué)習(xí)規(guī)則、Delta學(xué)習(xí)規(guī)則等等。神經(jīng)元網(wǎng)絡(luò)的工作過(guò)程有許多種形式，比如回想和分類(lèi)。下面介紹B P算法的推倒過(guò)程。3）閾值的修正 閾值也是變化值，在修正權(quán)值的同時(shí)也需要修正，原理同權(quán)值修正一樣。遞增模式，就是每增加一個(gè)輸入樣本，重新計(jì)算一次梯度并調(diào)整權(quán)值；批處理模式，就是利用所有的輸入樣本計(jì)算梯度，然后調(diào)整權(quán)值。正向建模的結(jié)構(gòu)如圖所示，其中神經(jīng)網(wǎng)絡(luò)與待辨別的系統(tǒng)并聯(lián)，兩者的輸出誤差用做網(wǎng)絡(luò)的訓(xùn)練信號(hào)。當(dāng)系統(tǒng)是被控對(duì)象或傳統(tǒng)控制器時(shí)，神經(jīng)網(wǎng)絡(luò)多采用多層前向網(wǎng)絡(luò)的形式，可直接選用BP網(wǎng)絡(luò)或它的各種變形。（2）逆向建模建立動(dòng)態(tài)系統(tǒng)的逆模型，在神經(jīng)網(wǎng)絡(luò)控制中起著關(guān)鍵的作用，并且得到了特別廣泛的應(yīng)用。直接逆向建模也稱(chēng)為廣義逆學(xué)習(xí)。由圖可見(jiàn)，擬預(yù)報(bào)的系統(tǒng)輸出作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較，相應(yīng)的輸入誤差用于訓(xùn)練，因此網(wǎng)絡(luò)將通過(guò)學(xué)習(xí)建立系統(tǒng)的逆模型。因此，在建立系統(tǒng)逆模型時(shí)，可逆性應(yīng)該事先有所保證。但實(shí)際工作時(shí)的輸入信號(hào)很難事先給定，因?yàn)榭刂颇繕?biāo)是使系統(tǒng)輸出具有期望的運(yùn)動(dòng)，對(duì)于未知控制系統(tǒng)期望輸入不可能給出。對(duì)于神經(jīng)網(wǎng)絡(luò)，這是一個(gè)仍有待于進(jìn)一步研究的問(wèn)題。電力系統(tǒng)負(fù)荷變化受多方面的影響，一方面，負(fù)荷變化存在著由未知不確定的因素引起的隨機(jī)的波動(dòng)；另一方面，又具有周期變化的規(guī)律性，這也使得負(fù)荷曲線(xiàn)具有相似性。由于神經(jīng)網(wǎng)絡(luò)所具有的較強(qiáng)的非線(xiàn)性映射等特性，它常被用于負(fù)荷預(yù)測(cè)。眾所周知，負(fù)荷曲線(xiàn)是很多因素相關(guān)的一個(gè)非線(xiàn)性函數(shù)。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對(duì)輸入變量做復(fù)雜的相關(guān)假設(shè)的能力。近年來(lái)的研究表明，相對(duì)于前兩種方法，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)報(bào)可獲得更高的精度?？v觀已經(jīng)發(fā)表的文獻(xiàn)資料，大體有以下幾種劃分模式：1）將一周的7天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類(lèi)型；2）將一周分為星期一、星期二到星期四、星期五、星期六、星期天等5種類(lèi)型。本文采用第1種負(fù)荷劃分模式，將一周的7天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類(lèi)型。由于負(fù)荷值曲線(xiàn)相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。顯而易見(jiàn)，目標(biāo)向量就是預(yù)測(cè)日當(dāng)天的24個(gè)負(fù)荷值，即一天中每個(gè)整點(diǎn)的電力負(fù)荷。獲得輸入和輸出變量后，要對(duì)其進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間[0，1]之間的數(shù)據(jù)。由于這都是實(shí)際的測(cè)量值，因此，這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。即，或者增加每日的測(cè)量點(diǎn)，或者把預(yù)測(cè)日前幾天的負(fù)荷數(shù)據(jù)作為輸入向量。總之，樣本的選取過(guò)程需要注意代表性、均衡性和用電負(fù)荷的自身特點(diǎn)，從而選擇合理的訓(xùn)練樣本。 123824n1224輸出層隱 層輸入層BP網(wǎng)絡(luò)是系統(tǒng)預(yù)測(cè)中應(yīng)用特別廣泛的一種網(wǎng)絡(luò)形式，因此，本文采用BP網(wǎng)絡(luò)對(duì)負(fù)荷值進(jìn)行預(yù)報(bào)。本文由于輸入向量有26個(gè)元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個(gè)，經(jīng)過(guò)多次訓(xùn)練網(wǎng)絡(luò)中間層的神經(jīng)元可以取53個(gè)。網(wǎng)絡(luò)中間層的神經(jīng)元傳輸函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig。利用以下代碼創(chuàng)建一個(gè)滿(mǎn)足上述要求的BP網(wǎng)絡(luò)：threshold=[0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。net=newff(threshold,[53,24],{‘tansig’,’logsig’},’trainrp’)?！畉rainrp’表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainrp ,它采用BP算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)?？紤]到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜，神經(jīng)元個(gè)數(shù)比較多，需要適當(dāng)增大訓(xùn)練次數(shù)和學(xué)習(xí)速率。訓(xùn)練次數(shù)訓(xùn)練目標(biāo)學(xué)習(xí)速率1000訓(xùn)練代碼如下：=1000。=。 %P為輸入向量，T為目標(biāo)向量休息日訓(xùn)練結(jié)果為：TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 17/1000, MSE , Gradient TRAINRP, Performance goal met.工作日訓(xùn)練結(jié)果為:TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 22/1000, MSE , Gradient TRAINRP, Performance goal met.可見(jiàn)，經(jīng)過(guò)次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到要求，(休息日訓(xùn)練結(jié)果)所示,(工作日訓(xùn)練結(jié)果)所示。休息日測(cè)試代碼如下：P_test=[ ]39。工作日測(cè)試代碼如下：P_test=[ ]39。這里利用仿真函數(shù)sim來(lái)計(jì)算網(wǎng)絡(luò)的輸出。 (休息日)預(yù)報(bào)誤差 (工作日)預(yù)報(bào)誤差（5）結(jié)論分析電力負(fù)荷預(yù)測(cè)是電力調(diào)度、用電、計(jì)劃、規(guī)劃等部門(mén)的重要工作，國(guó)內(nèi)外關(guān)于短期負(fù)荷預(yù)測(cè)的文獻(xiàn)很多，但是由于電力負(fù)荷受諸多因素的影響和負(fù)荷本身的不確定性，使得迄今還沒(méi)有一種十分滿(mǎn)意的方法。預(yù)測(cè)時(shí)段實(shí)際值/MW預(yù)測(cè)值/MW誤差/%1：002：003：004：005：006：007：008：009：0010：0011：0012：0013：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：0024：00，17個(gè)點(diǎn)的誤差的絕對(duì)百分誤差小于5%，%，%，%，表明預(yù)測(cè)取得了較滿(mǎn)意的結(jié)果。結(jié)束語(yǔ)本文介紹的電力短期負(fù)荷預(yù)測(cè)的特點(diǎn)，即都是受多個(gè)影響因素共同影響，且各個(gè)因素之間有著比較復(fù)雜的關(guān)系，具有高度不確定的非線(xiàn)性系統(tǒng)，利用傳統(tǒng)的預(yù)測(cè)方法有著諸多限制，而采用神經(jīng)網(wǎng)絡(luò)方法則能較好地克服這些限制，實(shí)現(xiàn)精確的非線(xiàn)性預(yù)測(cè)。（2）提高網(wǎng)絡(luò)預(yù)測(cè)能力的主要途徑有：1）盡可能增加樣本的涵蓋面；2）在輸入中盡可能地包括影響輸出的主要因子；3）確定適當(dāng)?shù)氖諗空`差。（3）針對(duì)BP算法中存在的收斂速度慢、易陷入局部最小值的問(wèn)題，可采用附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問(wèn)題。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過(guò)程中不斷修正學(xué)習(xí)速率，有利于提高學(xué)習(xí)效率，縮短學(xué)習(xí)時(shí)間。老師淵博的知識(shí)、豐富的實(shí)踐經(jīng)驗(yàn)和嚴(yán)謹(jǐn)?shù)目茖W(xué)作風(fēng)讓我十分敬佩，老師不辭辛勞，對(duì)每一個(gè)細(xì)節(jié)的詳細(xì)講解、指導(dǎo)和答疑解惑讓我們深受啟發(fā)，并深為感動(dòng)。在為期幾個(gè)月的設(shè)計(jì)中，同學(xué)們的團(tuán)結(jié)互助，無(wú)私幫助讓我十分的感動(dòng)，如果在這幾個(gè)月中，我單憑一己之力要完成本設(shè)計(jì)是十分困難的，因?yàn)楸驹O(shè)計(jì)的知識(shí)和內(nèi)容大部分是以前未曾接觸的，有許多新的東西要求我在短短幾個(gè)月內(nèi)消化吸收。此外，我還要感謝我所列參考文獻(xiàn)的作者，正是他們的許多研究成果給了我很大的幫助，在此表示誠(chéng)摯的謝意.39